我的体感与你完全不同,我想了一下是为什么。
我觉得你可能只用 AI 做过收敛型任务,很少用 AI 做发散型任务。
我自己做编码的时候,也没有产生过这个念头。最近开始找这个 Harness 是在做非编码任务。
发散型任务一般就是长篇创意写作、品牌策划和社科类研究这种,它的目标不是确定的(我要这样的功能),而是一个用户自身也不知道答案的问题(我想办一个活动,并且能吸引足够多的人参与)。
在这种任务里,独立 Profile+隔离上下文是非常常见的方法,其实就是多角色角色扮演。这个操作能非常有效的解决 AI 在处理这类问题趋于平庸和端水的问题。
如果是简单的脑暴场景,确实用 Master 和 Subagents 也能实现上下文的软隔离。但如果每个独立的 Agent 还用 MCP 配了独立的长期记忆和偏好库,这个就必须用群模式实现了。
越是知识足够丰富的大模型,在执行此类任务时,就越是要限制其思考行为。
这个在外国闭源模型上的结果差异更明显,我觉得这是因为稀疏模型在运行过程中更容易触发过拟合,而稠密模型不容易。
但此类任务就是需要多个过拟合结论之间的反复博弈,甚至你想下……真人完成此类任务也是如此。
我甚至会刻意降低独立 Agent 在参与讨论时的思考等级,以实现在讨论过程中有更多不完善的上下文被产出。
结果是,最终的结论会更有创意。
我现在是手工来触发各 Agent 来实现这个,我现在想要个自动的。 //
@柴小zo: 主要是因为这种通过文件传递的方式只是在以一种更浪费token的方式组装prompt,master 和 subagent 这种一对多的调用几乎在每一种情况下都优于平级agent互相对话。如果架构只有ceo和每个员工单独通信,那其实就是master subagent,但显然这样做看起来不像个“公司”